[논문 리뷰] Firefly-Algorithm Supported Scheme to Detect COVID-19 Lesion in Lung CT Scan Images using Shannon Entropy and Markov-Random-Field

V. Rajinikanth, Seifedine Kadry외 3명|arXiv (Cornell University)|2020. 04. 14.

COVID-19 diagnosis using AI참고 문헌 28인용 수 8

한 줄 요약

이 논문은 화재개미 알고리즘과 샤논 엔트로피 기반 다중 임계값 처리를 마르코프 무작위 필드(MRF) 분할과 융합하여 CT 영상에서 코로나19 폐 병변을 탐지하는 방법을 제안한다. 이 방법은 병변의 가시성을 향상시키며, 병변 분할에서 평균 92% 이상의 정확도를 달성하여 자동 탐지에 있어 높은 임상적 잠재력을 보여준다.

ABSTRACT

The pneumonia caused by Coronavirus disease (COVID-19) is one of major global threat and a number of detection and treatment procedures are suggested by the researchers for COVID-19. The proposed work aims to suggest an automated image processing scheme to extract the COVID-19 lesion from the lung CT scan images (CTI) recorded from the patients. This scheme implements the following procedures; (i) Image pre-processing to enhance the COVID-19 lesions, (ii) Image post-processing to extract the lesions, and (iii) Execution of a relative analysis between the extracted lesion segment and the Ground-Truth-Image (GTI). This work implements Firefly Algorithm and Shannon Entropy (FA+SE) based multi-threshold to enhance the pneumonia lesion and implements Markov-Random-Field (MRF) segmentation to extract the lesions with better accuracy. The proposed scheme is tested and validated using a class of COVID-19 CTI obtained from the existing image datasets and the experimental outcome is appraised to authenticate the clinical significance of the proposed scheme. The proposed work helped to attain a mean accuracy of >92% during COVID-19 lesion segmentation and in future, it can be used to examine the real clinical lung CTI of COVID-19 patients.

연구 동기 및 목표

• 코로나19 폐 병변을 CT 영상에서 자동으로 정확하게 탐지할 수 있는 방법을 개발하는 것.
• 화재개미 알고리즘과 샤논 엔트로피를 활용한 고도화된 영상 전처리를 통해 병변의 가시성을 향상시키는 것.
• 마르코프 무작위 필드(MRF) 기법을 이용해 분할 정확도를 향상시키는 것.
• 실제 환자 CT 영상 데이터셋을 이용해 제안된 방법을 기준 영상(Ground-Truth-Images)과 비교하여 검증하는 것.
• 진단 워크플로우에 통합될 수 있는 임상적 관련성과 잠재력을 확립하는 것.

제안 방법

• 영상 전처리 단계에서 화재개미 알고리즘(FA)과 샤논 엔트로피(SE)를 조합한 다중 임계값 처리를 사용하여 폐 CT 영상에서 병변의 대trast를 향상시킨다.
• FA+SE 방법은 엔트로피 기반 영상 정보를 기반으로 영상 분할 품질을 최대화할 수 있도록 임계값을 최적화한다.
• 후처리 단계에서 마르코프 무작위 필드(MRF) 모델링을 적용하여 병변 경계를 정밀하게 다듬고 분할 정확도를 향상시킨다.
• MRF 모델은 공간적 맥락과 국소적 종속성을 반영하여 노이즈를 감소시키고 병변의 구조를 유지한다.
• 추출된 병변 영역을 기준 영상(Ground-Truth-Images, GTI)과 비교하여 성능을 평가한다.
• 재현 가능성과 검증을 확보하기 위해 공개된 코로나19 폐 CT 영상 데이터셋을 활용해 방법을 시험한다.

실험 결과

연구 질문

• RQ1 화재개미 알고리즘과 샤논 엔트로피는 폐 CT 영상에서 코로나19 병변의 분할 성능을 향상시킬 수 있는가?
• RQ2 MRF 통합은 전통적인 분할 방법에 비해 병변 탐지 정확도를 얼마나 향상시키는가?
• RQ3 제안된 방법의 정량적 성능은 분할 정확도와 일관성 측면에서 어떠한가?
• RQ4 거짓 양성 수치를 감소시키는 동안 병변 형태를 얼마나 잘 유지하는가?
• RQ5 제안된 방법은 실제 임상 진단 응용에 있어 임상적으로 의미 있는 정확도를 달성할 수 있는가?

주요 결과

• 제안된 FA+SE 및 MRF 기반 방법은 테스트된 코로나19 CT 영상에서 평균 분할 정확도가 92% 이상을 달성했다.
• 화재개미 알고리즘과 샤논 엔트로피의 통합은 병변 대trast 향상과 임계값 설정 정밀도 향상에 뚜렷한 기여를 하였다.
• 마르코프 무작위 필드(MRF) 기반 분할은 노이즈 감소와 병변 경계 정의의 정확도 향상에 효과적이었다.
• 기준 영상(Ground-Truth-Images)과의 비교에서 높은 일관성을 보이며 병변 추출의 신뢰성을 확인하였다.
• 결과는 자동 코로나19 폐 병변 탐지에 있어 강력한 임상적 적용 잠재력을 시사한다.
• 실제 환자 데이터셋을 통한 검증을 통해 향후 임상 CT 영상 분석에의 적용 가능성을 뒷받침한다.